論文題目：Residual Denoising Diffusion Models（殘差去噪擴散模型）

會議：CVPR2024

摘要：殘差去噪擴散模型(RDDM)是一種新的雙重擴散過程，它將傳統的單一去噪擴散過程解耦為殘差擴散和噪聲擴散。這種雙重擴散框架通過引入殘差，將基于去噪的擴散模型擴展為一種統一的、可解釋的圖像生成和恢復模型。具體來說，殘差擴散表示從目標圖像到退化的輸入圖像的定向擴散，明確指導圖像恢復的反向生成過程，而噪聲擴散表示擴散過程中的隨機擾動。殘差優先考慮確定性，噪聲強調多樣性，使得RDDM能夠有效地統一具有不同確定性或多樣性要求的任務，如圖像生成和恢復。我們通過系數變換證明了我們的采樣過程與DDPM和DDIM的一致，并提出了一個部分路徑無關的生成過程，以便更好地理解反向過程。值得注意的是，我們的RDDM使只有L1損失和批大小為1的通用UNet能夠與最先進的圖像恢復方法競爭。我們提供代碼和預訓練模型，以鼓勵進一步探索、應用和開發我們的創新框架(https://github.com/nachifur/RDDM)。

---